獲得性脳損傷後の腕の動作異常の主観的評価を自動化するための機械学習

2024-07-31 Wed
画像抽出と分類システムによるABI患者の歩行異常運動の自動化された臨床評価学術的背景獲得性脳損傷（Acquired Brain Injury、ABI）後、歩行障害は一般的な身体障害です。ABIには通常、脳卒中と外傷性脳損傷が含まれ、これらの疾患の世界的な発生率は約150万例です。ABI患者の歩行障害は下肢だけでなく、体幹と上肢にも影響を及ぼし、日常生活への参加を制限し、生活の質を大幅に低下させます。機能障害に加えて、これらの明らかな運動異常は美的な問題を引き起こす可能性があり、患者のボディイメージ、自尊心、心理的健康、社会的統合に悪影響を及ぼす可能性があります。
研究動機従来のABI患者の運動異常評価は、経験豊富な理学療法士による視覚的観察を通じた主観的評価に依存していました。しかし、国際生活機能分類（ICF）の運動異常評価スケールは、同一評価者間では強い一致性を示すものの、評価者間では中程度の信頼性しか得られないことが示されており、これが臨床実践での応用を制限しています。この問題を解決するために、研究者たちは2段階の機械学習モデルを導入し、ABI患者の歩行時の上肢運動異常を自動的に評価することを試みました。
論文出典この研究は、Ashleigh Mobbs、Michelle Kahn、Gavin Williams、Benjamin F. Mentiplay、Yong-Hao Pua、Ross A. Clarkらによって共同で執筆されました。彼らはそれぞれ、オーストラリアのサンシャインコースト大学健康学部、Epworth Healthcare理学療法部門、メルボルン大学健康科学学部、ラトローブ大学共有健康・人間サービス学部、シンガポール総合病院理学療法部門に所属しています。この論文は2024年の「Journal of NeuroEngineering and Rehabilitation」誌に掲載されました。
研究プロセス実験設計と方法参加者：
研究対象は42名のABI患者と34名の健康対照群（HCs）でした。ABI患者はメルボルンの脳損傷リハビリテーションセンターと私立理学療法クリニックから募集され、平均年齢は48歳、平均受傷期間は6.2年でした。HCsは研究チームのスタッフ、家族、友人のネットワークから集められ、平均年齢は37歳でした。
ビデオ撮影：
参加者は裸足で10メートルの歩行路を歩き、カメラの前で正面平面の動的ビデオ記録を行うよう要求されました。ビデオはMicrosoft Kinect v2カメラで撮影され、収集されたRGB画像の解像度は1920×1080で、ビデオの長さは歩行区間10.5メートルを含んでいました。
第1段階機械学習：解剖学的ランドマークネットワーク開発（DeepLabCut™）
オープンソースソフトウェアDeepLabCut™を使用してビデオフレームの選択とラベリングを行い、ネットワークの訓練回数は50万回でした。ネットワークは参加者の歩行過程における両側の肩、肘、手首関節の2次元空間運動角度を計算するために使用されました。訓練データの約50%、75%、90%、100%のABI参加者のビデオが訓練に使用されました。
第2段階機械学習：予測アルゴリズム開発（ランダムフォレストネットワーク）
15年以上の経験を持つ3名の神経リハビリテーション専門理学療法士がICFスケールを使用して参加者のビデオを評価し、これらの評価データと前段階で計算された関節角度データを合わせて、ランダムフォレストネットワークの訓練とネステッド交差検証を行いました。すべてのビデオの機械学習モデル予測値と臨床評価者の評価を比較し、二次重み付きカッパ係数と単一標本t検定などの統計手法を使用しました。
研究結果研究結果は、機械学習予測が経験豊富な人間の評価者の採点と一致性の面で同様のパフォーマンスを示し、有意差がないことを示しました。4種類の異なるネットワークの予測に有意差はなく、一部のスコアで若干の過小予測が見られましたが、これは限られたサンプルサイズにもかかわらず、機械学習モデルが信頼性の高い評価結果を提供できることを示しています。
一元配置分散分析：
4つのネットワーク（50%、75%、90%、100%）に一元配置分散分析を適用した結果、ネットワーク間の予測差異に統計的有意差はありませんでした（f=0.119、p=0.949）。
研究結論この研究は、ABI患者の歩行時の上肢運動異常を主観的に評価する上で、機械学習が経験豊富な臨床医と同等のパフォーマンスを示すことを証明しました。サンプルサイズが小さいことで一部のスコアで過小予測が見られる可能性がありますが、効果量は小さく、有意なパフォーマンスの差はありませんでした。将来の大規模研究は、この方法の有効性をさらに検証するのに役立つ可能性があり、特にローカルおよびリモートのリハビリテーション評価において、スマートフォンやエッジコンピューティング技術を活用して測定誤差や医療サービスへのアクセスの不平等を減らすことができるかもしれません。
研究の意義この研究の主な貢献は、従来の臨床評価における問題点、例えば評価の一貫性や技術的負担などを解決するために機械学習技術をどのように活用できるかを示したことです。機械学習はより効率的で信頼性の高い評価プロセスを実現し、これは実際の臨床応用や遠隔医療にとって重要な意味を持ちます。さらに、この研究は将来の研究の方向性も示しており、サンプルサイズを増やし、複雑な動的タスクを評価することで、モデルの予測精度と臨床応用価値をさらに高めることができます。
研究のハイライト方法論の革新： この研究は、DeepLabCut™とランダムフォレストネットワークを含む2段階の機械学習モデルを使用して、ABI患者の上肢運動異常を自動的に評価しています。
実践的応用： このモデルは、小規模なデータセットでの効率性と精度を示し、評価者の変更の影響を受けません。
将来の可能性： この研究は、実際の臨床およびリモート評価での機械学習技術の広範な使用を促進するための理論的および実践的基盤を提供し、広範な応用の可能性を持っています。
その他の重要情報データの開放性とプライバシー保護： 元のデータは参加者のプライバシーを保護するために公開できませんが、匿名化されたデータは必要に応じて提供可能です。
倫理的承認： 研究はEpworth HealthcareとUniversity of the Sunshine Coastの倫理委員会の承認を得ており、ヘルシンキ宣言に準拠しています。
この研究は、革新的な方法と厳密な検証を通じて、臨床評価における機械学習の可能性を示し、将来のより広範な医療実践での応用に向けた堅固な基盤を提供しています。